[Перевод] Как аналоговые и нейроморфные чипы проявят себя в эру робототехники
В области новых технологий и продуктов мы привыкли, что «цифра» является синонимом всего передового, современного и высокотехнологичного, а «аналог» — всего ретроградского, вышедшего из употребления и низкотехнологичного.
Но если вы думаете, что аналог умер, вы ошибаетесь. Аналоговая обработка не только является ключевой составляющей множества жизненно важных систем, на которых мы опираемся, но и пробивает дорогу в новое поколение вычислительных и интеллектуальных систем, лежащих в основе очень интересных технологий будущего: искусственного интеллекта и робототехники.
Перед тем, как мы обсудим возрождение аналога — и то, почему инженеры и инноваторы, работающие над ИИ и роботами, должны обратить на это внимание — необходимо понять важность и наследие старого аналогового века.
Во время Второй мировой войны аналоговые схемы играли ключевую роль в работе первых автоматических системах ПВО, а в следующих десятилетиях аналоговые компьютеры были необходимы для вычисления полётных траекторий ракет и космических кораблей.
Аналог преобладал в системах управления и связи в самолётах, судах и на электростанциях. Некоторые из этих систем работают по сей день. Ещё не так давно аналоговые контуры управляли крупными частями телекоммуникационной инфраструктуры (помните телефоны с дисковыми номеронабирателями?), и даже копировальными аппаратами в офисе, когда ранние агрегаты для фотокопирования воспроизводили изображения без единого цифрового бита.
Любовь к аналогу существовала так долго, поскольку эта технология постоянно доказывала свою точность, простоту и скорость. Она подправляла курс ракет, вела суда, записывала и воспроизводила музыку и видео, объединяла нас многие десятилетия. А затем в 1960-х появилась цифра и быстро завоевала мир.
Карбюраторы с обратной связью делали более эффективную горючую смесь на основе выхлопа. Но из-за их сложности и ненадёжности их быстро заменили цифровые системы впрыска топлива
Почему цифра заменила аналог? Наибольшая слабость аналога — отсутствие гибкости. При попытке придать ему гибкость сложность системы вырастает экспоненциально. Сложность ведёт к уменьшению надёжности, и инженеры начали замечать, что закон Мура делает вычисления надёжными и недорогими.
В это время технологии MEMS и микроформирования распространили датчики, получающие физические сигналы и преобразующие их в цифру. Довольно быстро операционные усилители сменились логическими вентилями, дешевеющими экспоненциально. Вместо механических связей информация передавалась по проводам, и дизайнеры довели оцифровку всего до предела.
В современном мире потребительской электроники аналог используется только для взаимодействия с людьми, захвата и производства звуков, изображений и других чувств. В больших системах аналог используется для физического поворота колёс и руля у машин, перемещающих нас в нашем аналоговом мире. Но в большинстве других систем инженеры стараются по максимуму использовать цифровые сигналы. Преимущества цифровой логики — дешевизна, скорость, надёжность, гибкость — привили инженерам аллергию на аналоговую обработку.
Однако теперь, после долгого перерыва, предсказание Карвера Мида [Carver Mead] о возвращении аналога начинает сбываться.
«Крупномасштабные адаптивные аналоговые системы более устойчивы к деградации компонентов и ошибкам, чем обычные системы, и используют меньше энергии», Мид, профессор Калтеха и пионер в микроэлектронике, написал в работе для Proceedings of the IEEE в 1990-м. «Поэтому адаптивная аналоговая технология, скорее всего, сможет реализовать полный потенциал производства кремниевых чипов».
Разработчики электроники воспринимают аналог как необходимое зло для взаимодействия с внешним миром. Но оказывается, что ИИ и алгоритмы глубокого обучения лучше работают на аналоговых и нейроморфных компьютерных платформах.
В моей компании Lux Capital мы спонсировали Nervana, строившую специализированные интегральные схемы, на которых работали свёрточные нейронные сети, для ускорения тренировок алгоритмов глубокого обучения. И хотя математические операции производились в цифровом виде, архитектура системы подражала человеческому мозгу на высоком уровне.
Попросите любого (даже ребёнка) сделать набросок робота, и вы, скорее всего, получите изображение, напоминающее Rosie, горничную-робота из The Jetsons, или C-3PO из Star Wars. И это неудивительно — такой вид роботов десятилетиями описывали в научно-фантастических книгах, телевидении и фильмах. В последнее время представление о роботах и их внешнем виде эволюционирует. Попросите миллениала привести пример робота, и он, возможно, назовёт Roomba, Amazon«s Echo, или даже Siri.
Существует устойчивый тренд на интеллектуализацию и роботизацию всё большего количества гаджетов и других систем, присутствующих в нашей жизни. Эти системы потребуют небольших, портативных и мало потребляющих компьютеров; они должны будут иметь возможность ответить в любой момент. Это сложный набор задач для современных систем, которые обычно потребляют приличное количество энергии (если только не находятся в режиме ожидания) и должны быть соединены с облачными сервисами для выполнения полезных функций. Тут и может помочь аналог.
Взяв вдохновение в природе, учёные экспериментируют со зрением и слухом при помощи аналоговых контуров, потребляющих малую толику энергии. Проект Стэнфорда Brains in Silicon и лаборатория IC Lab Мичиганского университета, заручившись поддержкой DARPA SyNAPSE и исследовательской лабораторией ВМС США, создают инструменты, облегчающие создание аналоговых нейроморфных систем. Появляются и малоизвестные стартапы. Вместо запуска глубоких сетей на обычных цифровых контурах, они разрабатывают аналоговые системы, способные вести схожие вычисления при гораздо меньших затратах энергии, вдохновлённые нашими аналоговыми мозгами.
Зачем нам переходить на аналог? Всё просто: мы находимся на уникальном витке прогресса, где нейросети, которые мы пытаемся разработать, больше подходят к аналоговым системам, при том, что ожидается взрывной спрос на такие ИИ-системы.
Традиционные жёсткие алгоритмы работают, только когда вычисления точны. Если контуры, на которых работают традиционные алгоритмы, не точны, ошибки будут выходить из под контроля и распространяться по системе. У нейросетей внутреннее состояние не должно быть точным и чётким, и система адаптируется для вывода нужного результата на основе заданных входных параметров. Наши мозги — очень шумные системы, которые прекрасно работают. Инженеры узнают, что они тоже могут строить глубокие сети на кремниевых чипах, используя схожие «шумные» подходы — достигая экономии энергии в сотни раз.
Последствия этого масштабны. Представьте, что в будущем носимые устройства или ассистенты типа Amazon Echo почти не используют энергию, и даже могут добывать её из окружающей среды, и не требуют проводов питания и батарей. Или вообразите гаджет, которому не нужно быть подсоединённым к облаку, чтобы быть «умным». Его «интеллекта» хватит, чтобы работать даже без Wi-Fi и сотовой связи. И это только начало того, что, как я думаю, станет новой категорией ИИ и роботов, которая появится в недалёком будущем — и всё благодаря старому доброму аналогу.
